血清全貌作为怀孕前的生物标志物,具有严重特征的诊断:一种机器学习方法
Daniella Castro Araújo1,2, Alexandre Afonso de Macedo3, Adriano Alonso Veloso4
1Huna, São Paulo, SP, Brazil. dani@huna-ai.com.
BMC pregnancy and childbirth
|October 1, 2024
概括
分析全血细胞计 (CBC) 数据的机器学习模型可以支持诊断严重预先怀孕症 (sPE). 低单细胞计数也可能表明sPE,提供一个具有成本效益的诊断生物标志物.
科学领域:
- 产科和妇科 产科和妇科
- 医学诊断 医学诊断 医学诊断
- 人工智能在医学中的应用
背景情况:
- 具有严重特征的产前 (sPE) 缺乏具有成本效益的实验室生物标志物.
- 全血细胞计 (CBC) 是一种标准的,可访问的产前检测.
- 机器学习 (ML) 为新的诊断方法提供了潜力.
研究的目的:
- 用ML评估CBC参数作为用于诊断sPE的生物标志物.
- 开发可解释的ML模型用于sPE检测.
- 为了识别特定的CBC成分,表明sPE.
主要方法:
- 通过通过数据增强和平滑 (DAS) 生成的合成CBC数据训练了一个增强ML模型.
- 综合数据 (3552个样本) 由最初的巴西队列 (132名孕妇) 创建.
- 为了提高可解释性,采用了回归模型.
主要成果:
- 增强模型在sPE差异化方面实现了0.90的AUROC,0.95的灵敏度和0.79的特异性.
- 确定的主要参数是中性粒细胞计数,体内血红蛋白平均值 (MCH) 和系统性炎症总指数 (AISI).
- 低单细胞计数 () 显示了sPE的0.71敏感度和0.72特异性.
结论:
- 基于ML的CBC数据分析可以作为sPE的诊断支持工具.
- 通过人工智能增强的CBC测试提供了一个具有成本效益的sPE生物标志物.
- 低单细胞计数是sPE的潜在独立指标.
